LLM - AI大模型应用集成协议三件套 MCP、A2A与AG-UI

1. 引言：背景与三协议概览

随着大模型（LLM）从单一问答工具逐步演进到具备自主决策能力的Agent，开发者面临三大痛点：

• 外部资源集成困难（M×N 适配挑战）
• 多 Agent 协作通信缺乏统一标准
• 前端 UI 与后端 Agent 交互混乱多样

为了解决上述问题，业界先后推出了三套开放协议：

• MCP：模型 ↔ 工具/资源 的统一“USB-C”接口
• A2A：Agent ↔ Agent 的“网络协议”
• AG-UI：Agent ↔ 用户界面 的“翻译官”

2. MCP（Model Context Protocol）

起源与动因

• M×N 集成难题：不同模型（M）要接入不同工具或数据源（N），往往需要自己实现 M×N 套适配。
• 解决方案：Anthropic 于 2024 年 11 月开源 MCP，将各种工具/数据源封装成符合协议的 Server，模型端只需一套 Client 即可接入所有资源。

架构与规范要点

• 客户端–服务器模式

  • MCP Client：嵌入到 LLM 应用中，负责发起请求。
  • MCP Server：将工具、数据库或 API 封装成轻量服务，暴露统一接口。

• 协议标准化内容

  • 传输层：JSON-RPC / HTTP / SSE
  • 消息格式：请求／响应、批量处理、工具注解等
  • 安全与授权：API Key、OAuth2 等

开发实践

1. 编写 MCP Server

   • 使用官方 SDK（Python/JS/Go/Java）或直接按照规范实现 HTTP 接口。
   • 定义工具元数据（名称、输入输出 schema、权限要求）。

2. 在 LLM 应用中调用

   • 引入 MCP Client，加载各 Server 的“描述文件”（类似 USB-C 的 PD 协商）。
   • 发起工具调用请求，处理返回结果。

3. 最佳实践

   • 批量模式：合并多次调用减少网络延迟
   • Streamable HTTP：实时返回流式输出
   • 工具注解：丰富命令与参数说明，提高调用准确度

---

3. A2A（Agent-to-Agent Protocol）

起源与动因

• 多 Agent 协作：在复杂业务场景中，往往需要不同智能体互相分工、串联工作。
• 信息孤岛：缺乏统一协议时，不同厂商或框架的 Agent“各说各话”，难以互通。
• 发布：Google 在 2025 年 4 月 Cloud Next 大会上开放 A2A，目标打造 AI Agent 的“TCP/IP”。

架构与规范要点

• Agent Card：每个 Agent 对外的“名片”，包含名称、版本、端点 URL、可用技能、认证方式。

• 双向客户端–服务端角色：

  • 发起方 Agent 扮演 Client
  • 接收方 Agent 扮演 Server
  • 同一个 Agent 可动态切换角色

• 任务模型与流程：

  1. submitted → 2. working → （可能 input-required）→ 3. completed 或 failed
  • 支持异步通知、回调、状态查询

• 交换内容：

  • 消息：文本、文件、结构化数据
  • 工件：最终结果对象

开发实践

1. 实现 A2A Server

   • 准备 Agent Card 文档（JSON 格式），托管在可访问的端点。
   • 实现标准接口：接收任务、查询状态、推送回调。

2. 调用其他 Agent

   • 发现并下载目标 Agent’s Card
   • 发起 HTTP 请求到其任务接口
   • 处理异步通知或轮询结果

3. 工具与框架

   • 官方 SDK：Python/JS/Go/Java
   • Demo 项目：配置式开启 A2A 支持

4. AG-UI（Agent-User Interaction Protocol）

起源与动因

• UI 适配纷繁：聊天面板、助手插件、Web 应用，各自接口和消息格式不一致，开发成本高，用户体验差。
• 发布：CopilotKit 团队 2025 年 5 月开源 AG-UI，将前后端交互抽象为事件流。

架构与规范要点

• 事件驱动：定义标准事件类型（文本消息、工具调用、状态更新、用户输入等），前后端通过流式通道（WebSocket/SSE）收发事件。

• 双向协作：

  • Agent 发出事件，前端渲染 UI
  • 用户动作产生事件，后端 Agent 响应

• 灵活传输：不绑定具体协议，保证事件格式一致即可。

开发实践

1. 接入 SDK

   • Python 或 TS/JS SDK，封装底层事件通道。
   • CopilotKit：快速集成示例，内置常用组件。

2. 前端构建

   • 订阅事件流，按事件类型渲染消息、控件、进度等。
   • 发送用户操作事件（点击、输入、选择）。

3. 优化建议

   • 事件分组：将相关事件打包发送，减少频繁交互
   • 重试机制：连接断开时自动重连
   • UI 组件库：统一样式与行为

5. 对比与组合使用建议

协议	解决场景	典型用法	推荐组合
MCP	模型接入工具／数据源	URL+API Key 嵌入 LLM 应用	与 A2A 联动：自动调用工具后再交给其他 Agent
A2A	多 Agent 间协作	Agent Card + 异步任务流程	与 AG-UI 联动：前端触发多 Agent 协作
AG-UI	Agent 与用户界面实时、结构化交互	事件流通道 + UI 组件	同时接入 MCP：用户触发工具调用

6. 如何落地

1. 评估需求：先确定项目是单模型调用外部资源（MCP）、多 Agent 协作（A2A）还是复杂前端交互（AG-UI）。
2. 分步实施：建议先引入 MCP，完成资源接入；再逐步拆分多 Agent 逻辑，用 A2A 构建微服务式智能体；最后以 AG-UI 打通人机交互环节。
3. 选用框架／SDK：优先使用官方 SDK 或成熟开源项目，如 LangGraph、Google ADK、CopilotKit，减少底层实现成本。
4. 测试与监控：设计完整的端到端测试用例，监控协议调用延迟、消息丢失、错误恢复等指标。